El término big data puede parecer a primera vista incongruente con la agricultura animal. Sin embargo, al capturar, analizar, informar y compartir los datos de la cadena de producción con los tomadores de decisiones, las organizaciones están mejor equipadas para tomar decisiones informadas. Un aspecto fundamental de este proceso es el tipo de datos, su relevancia, precisión e integridad.
No se puede subestimar la importancia de capturar datos relevantes y precisos que se informan en un tiempo y espacio significativos. Sin embargo, existen desafíos significativos con el big data para la producción avícola, sobre todo con los conceptos básicos de captura de datos, almacenamiento, seguridad, análisis y realización de cambios significativos basados en los datos.
Introducción
Las industrias agrícolas se encuentran en la cúspide de una revolución digital. La creciente demanda de mayores rendimientos, combinada con las limitaciones de recursos finitos como la tierra y el agua, ha ejercido una mayor presión en el lado de los insumos de la agricultura. El aumento de la demanda de productos agrícolas de una población mundial en aumento y el crecimiento socioeconómico ha intensificado la presión sobre el sector agrícola para producir más con menos. Las proyecciones actuales para el crecimiento de la población estiman que la población mundial alcanzará los 9 mil millones de personas en 2050 y, para alimentar a esta cantidad de personas, la producción total de alimentos deberá aumentar aproximadamente un 70% entre 2007 y 2050 (FAO, 2009).
TTradicionalmente, para satisfacer este aumento de la demanda, el sector agrícola aplicaría en la mayoría de los casos el principio de «cuanto más grande es mejor» y ampliaría la producción despejando más tierras o aumentando la intensidad de la producción. Sin embargo, esta estrategia se está volviendo cada vez más difícil desde una perspectiva ambiental y, a menudo, entra en conflicto con la expansión de los centros de población que priorizan la tierra cultivable para el desarrollo urbano. A este dilema se suma la estimación de la Organización de las Naciones Unidas para la Agricultura y la Alimentación de que entre el 20 y el 40% de la producción anual mundial de cultivos se pierde debido a plagas y enfermedades.
Para contrarrestar esta ineficiencia, un enfoque simplista sería aplicar más fertilizantes y / o insecticidas, pero paradójicamente (desde el punto de vista del volumen de producción) los consumidores y los gobiernos exigen que se apliquen menos productos químicos. Esto en cierto modo es paralelo a la dirección actual de la producción avícola. Las tecnologías tradicionales, como los antibióticos promotores del crecimiento, se enfrentan a un mayor escrutinio y a la presión a nivel mundial para que se reduzcan o eliminen por completo.
Si bien la producción avícola puede expandirse agregando más galpones (dentro de los límites) para satisfacer la creciente demanda, el volumen de productos avícolas que se pueden producir en cada unidad por metro cuadrado también se ha enfrentado a una presión a la baja debido a la reducción de la densidad de población. Estos escenarios tienen el potencial de perjudicar el crecimiento del volumen de producción y provocar escasez en la producción de alimentos en el momento en que se necesita más. También es evidente que la industria avícola no puede depender únicamente de estrategias de expansión pasadas para satisfacer esta mayor demanda. Para ayudar a enfrentar este desafío, una clave propuesta para facilitar una mayor producción de alimentos en un momento de escasez de insumos radica en la Agricultura 4.0 y las tecnologías de big data.
a) Agricultura inteligente
El desarrollo y la aplicación de la agricultura inteligente comenzó a finales de la década de 1990 con la introducción de la agricultura de precisión, mediante la cual se aplicó la tecnología a la producción de productos agrícolas por primera vez. Sin embargo, la agricultura de precisión se centró principalmente en la maquinaria agrícola utilizada en la producción de cultivos con tecnologías de asistencia como los sistemas de posicionamiento global para reducir la superposición al girar en los extremos del campo y, por lo tanto, mejorar la siembra, la cosecha y la eficiencia del combustible. La próxima iteración de agricultura inteligente se denomina Agricultura 4.0, que es una continuación de la agricultura de precisión y es aclamada como la nueva era de la agricultura moderna. Los cimientos de la Agricultura 4.0 se basan en el uso cada vez mayor de procesos mecanizados (desde el paddock hasta el plato) que son compatibles con Internet of Things (IoT), big data, comunicaciones inalámbricas / móviles y computación en la nube. Agricultura 4.0 monitorea cada paso de la cadena de producción de alimentos desde el primer insumo hasta el último producto.
Internet de las cosas y big data son términos que se utilizan para describir tecnologías que están integradas en objetos cotidianos y están interconectadas a través de Internet y, en última instancia, producen grandes conjuntos de datos. Para la producción avícola, esto resultará en más sensores y entradas de datos en cada paso de la cadena de valor. Sin embargo, una consecuencia de esto será que los conjuntos de datos producidos serán tan grandes y vastos que el software de procesamiento de datos tradicional será insuficiente para manejar estos conjuntos de datos. Es importante destacar que el big data también se refiere al uso de análisis predictivo que va más allá de los conceptos básicos de la presentación de informes y analiza los datos en busca de correlaciones y patrones de los que las empresas pueden extraer valor.
b) Adquisición de
datos La adquisición de datos es quizás uno de los componentes más fáciles de big data para la producción avícola. Actualmente, existen numerosas fuentes de adquisición de datos que van desde las estadísticas de producción en la granja de reproductores hasta la cadena de valor hasta las preferencias del consumidor a nivel minorista. Sin embargo, no todos estos datos se recopilan y pueden analizarse en profundidad, con algunas fuentes de datos analizadas (en el mejor de los casos) o sin analizar de forma aislada (en el peor de los casos). Sin embargo, para lograr una mayor eficiencia, es importante que todos estos datos se capturen y analicen de manera integral.
A menudo se describe que las organizaciones construyen un lago de datos que es similar a la construcción de un depósito de agua artificial ( Figura 1). Primero se crea la presa, luego se llena con agua (datos) y una vez que el lago comienza a llenarse, el agua (datos) se utiliza para otros fines de valor agregado. Un lago de datos proporciona una plataforma para la acumulación rápida de datos y, potencialmente, su aplicación. Si bien esto representa un avance significativo, el análisis de transformación y la aplicación de los datos es más complejo y representa un gran desafío para las organizaciones. Después de que se crea un lago de datos, la propensión a medir y capturar datos aumenta significativamente y puede conducir a una sobrecarga de datos. Se debe evitar medir algo por el mero hecho de medirlo porque “a veces lo que cuenta, no se puede contar y lo que se puede contar, no cuenta (Cameron, 1963). Para cada nuevo flujo de datos, se debe aplicar un análisis de los beneficios propuestos antes de su creación, y una revisión después de que esté activo, para evaluar el valor de los datos. El valor de los flujos de datos puede estar subestimado o sobreestimado y es el análisis y la interpretación de estos datos donde se requiere experiencia para maximizar el valor y la aplicación de los macrodatos.
c) Cuando la buena información sale mal: el costo de los errores de datos
La producción avícola eficiente depende de datos precisos. Actualmente existen objetivos de rendimiento para cada paso de la cadena de producción, desde las granjas de reproductoras hasta el criadero, para el crecimiento en la granja, la eficiencia alimentaria y el procesamiento. Para la mayoría de los integradores, estos valores se pueden resumir como centavos / kg de productos de carne de ave o centavos / docena de huevos para los productores de huevos de mesa. Si aceptamos el punto de referencia promedio de una tasa de error del 1% en la entrada manual de datos y lo multiplicamos por los casos de entrada manual de datos, las consecuencias de estos errores pueden ser profundas. La capacidad humana para detectar o evitar errores es inherentemente defectuosa y si los datos deben ingresarse varias veces, esto solo agrava el problema. Un concepto comercial común es la regla 1-10-100 que ilustra la importancia de corregir los errores de entrada de datos en la fuente. De acuerdo con la regla 1-10-100, cuesta $ 1 verificar la precisión de los datos en el punto de entrada, $ 10 para corregir o limpiar los datos en forma de lote y $ 100 (o más) por registro si no hay acción correctiva es interpretado. Si bien el valor absoluto de los errores de datos individuales y acumulativos para las empresas puede diferir, el principio sigue siendo el mismo. Los datos confiables y oportunos son esenciales. El uso de las tecnologías subyacentes de Agriculture 4.0 para capturar y reportar estos datos automáticamente usando sensores conectados y plataformas en línea conducirá a una mayor precisión y facilitará la toma de decisiones oportuna. Si bien el valor absoluto de los errores de datos individuales y acumulativos para las empresas puede diferir, el principio sigue siendo el mismo. Los datos confiables y oportunos son esenciales. El uso de las tecnologías subyacentes de Agriculture 4.0 para capturar y reportar estos datos automáticamente usando sensores conectados y plataformas en línea conducirá a una mayor precisión y facilitará la toma de decisiones oportuna. Si bien el valor absoluto de los errores de datos individuales y acumulativos para las empresas puede diferir, el principio sigue siendo el mismo. Los datos confiables y oportunos son esenciales. El uso de las tecnologías subyacentes de Agricultura 4.0 para capturar e informar estos datos automáticamente mediante sensores conectados y plataformas en línea conducirá a una mayor precisión y facilitará la toma de decisiones oportuna.
Las siguientes categorías de datos descritas en este documento representan algunos flujos de datos sugeridos para big data en la producción avícola con un enfoque en los flujos que tienen el potencial de ser transformadores.